zongquanliu的专栏

TensorFlow技术解析与实战 高清带标签+Kindle彩印版 第一篇　基础篇 第1章　人工智能概述 2 1.1　什么是人工智能 2 1.2　什么是深度学习 5 1.3　深度学习的入门方法 7 1.4　什么是TensorFlow 11 1.5　为什么要学TensorFlow 12 1.5.1　TensorFlow的特性 14 1.5.2　使用TensorFlow的公司 15 1.5.3　TensorFlow的发展 16 1.6　机器学习的相关赛事 16 1.6.1　ImageNet的ILSVRC 17 1.6.2　Kaggle 18 1.6.3　天池大数据竞赛 19 1.7　国内的人工智能公司 20 1.8　小结 22 第2章　TensorFlow环境的准备 23 2.1　下载TensorFlow 1.1.0 23 2.2　基于pip的安装 23 2.2.1　Mac OS环境准备 24 2.2.2　Ubuntu/Linux环境准备 25 2.2.3　Windows环境准备 25 2.3　基于Java的安装 28 2.4　从源代码安装 29 2.5　依赖的其他模块 30 2.5.1　numpy 30 2.5.2　matplotlib 31 2.5.3　jupyter 31 2.5.4　scikit-image 32 2.5.5　librosa 32 2.5.6　nltk 32 2.5.7　keras 33 2.5.8　tflearn 33 2.6　小结 33 第3章　可视化TensorFlow 34 3.1　PlayGround 34 3.1.1　数据 35 3.1.2　特征 36 3.1.3　隐藏层 36 3.1.4　输出 37 3.2　TensorBoard 39 3.2.1　SCALARS面板 40 3.2.2　IMAGES面板 41 3.2.3　AUDIO面板 42 3.2.4　GRAPHS面板 42 3.2.5　DISTRIBUTIONS面板 43 3.2.6　HISTOGRAMS面板 43 3.2.7　EMBEDDINGS面板 44 3.3　可视化的例子 44 3.3.1　降维分析 44 3.3.2　嵌入投影仪 48 3.4　小结 51 第4章　TensorFlow基础知识 52 4.1　系统架构 52 4.2　设计理念 53 4.3　编程模型 54 4.3.1　边 56 4.3.2　节点 57 4.3.3　其他概念 57 4.4　常用API 60 4.4.1　图、操作和张量 60 4.4.2　可视化 61 4.5　变量作用域 62 4.5.1　variable_scope示例 62 4.5.2　name_scope示例 64 4.6　批标准化 64 4.6.1　方法 65 4.6.2　优点 65 4.6.3　示例 65 4.7　神经元函数及优化方法 66 4.7.1　激活函数 66 4.7.2　卷积函数 69 4.7.3　池化函数 72 4.7.4　分类函数 73 4.7.5　优化方法 74 4.8　模型的存储与加载 79 4.8.1　模型的存储与加载 79 4.8.2　图的存储与加载 82 4.9　队列和线程 82 4.9.1　队列 82 4.9.2　队列管理器 85 4.9.3　线程和协调器 86 4.10　加载数据 87 4.10.1　预加载数据 87 4.10.2　填充数据 87 4.10.3　从文件读取数据 88 4.11　实现一个自定义操作 92 4.11.1　步骤 92 4.11.2　最佳实践 93 4.12　小结 101 第5章　TensorFlow源代码解析 102 5.1　TensorFlow的目录结构 102 5.1.1　contirb 103 5.1.2　core 104 5.1.3　examples 105 5.1.4　g3doc 105 5.1.5　python 105 5.1.6　tensorboard 105 5.2　TensorFlow源代码的学习方法 106 5.3　小结 108 第6章　神经网络的发展及其TensorFlow实现 109 6.1　卷积神经网络 109 6.2　卷积神经网络发展 110 6.2.1　网络加深 111 6.2.2　增强卷积层的功能 115 6.2.3　从分类任务到检测任务 120 6.2.4　增加新的功能模块 121 6.3　MNIST的AlexNet实现 121 6.3.1　加载数据 121 6.3.2　构建网络模型 122 6.3.3　训练模型和评估模型 124 6.4　循环神经网络 125 6.5　循环神经网络发展 126 6.5.1　增强隐藏层的功能 127 6.5.2　双向化及加深网络 129 6.6　TensorFlow Model Zoo 131 6.7　其他研究进展 131 6.7.1　强化学习 132 6.7.2　深度森林 132 6.7.3　深度学习与艺术 132 6.8　小结 133 第7章　TensorFlow的高级框架 134 7.1　TFLearn 134 7.1.1　加载数据 134 7.1.2　构建网络模型 135 7.1.3　训练模型 135 7.2　Keras 135 7.2.1　Keras的优点 136 7.2.2　Keras的模型 136 7.2.3　Keras的使用 137 7.3　小结 141 第二篇　实战篇 第8章　第一个TensorFlow程序 144 8.1　TensorFlow的运行方式 144 8.1.1　生成及加载数据 144 8.1.2　构建网络模型 145 8.1.3　训练模型 145 8.2　超参数的设定 146 8.3　小结 147 第9章　TensorFlow在MNIST中的应用 148 9.1　MNIST数据集简介 148 9.1.1　训练集的标记文件 148 9.1.2　训练集的图片文件 149 9.1.3　测试集的标记文件 149 9.1.4　测试集的图片文件 150 9.2　MNIST的分类问题 150 9.2.1　加载数据 150 9.2.2　构建回归模型 151 9.2.3　训练模型 151 9.2.4　评估模型 152 9.3　训练过程的可视化 152 9.4　MNIST的卷积神经网络 156 9.4.1　加载数据 157 9.4.2　构建模型 157 9.4.3　训练模型和评估模型 159 9.5　MNIST的循环神经网络 161 9.5.1　加载数据 161 9.5.2　构建模型 161 9.5.3 训练数据及评估模型 163 9.6　MNIST的无监督学习 164 9.6.1　自编码网络 164 9.6.2　TensorFlow的自编码网络实现 165 9.7　小结 169 第10章　人脸识别 170 10.1　人脸识别简介 170 10.2　人脸识别的技术流程 171 10.2.1　人脸图像采集及检测 171 10.2.2　人脸图像预处理 171 10.2.3　人脸图像特征提取 171 10.2.4　人脸图像匹配与识别 172 10.3　人脸识别的分类 172 10.3.1　人脸检测 172 10.3.2　人脸关键点检测 173 10.3.3　人脸验证 174 10.3.4　人脸属性检测 174 10.4　人脸检测 175 10.4.1　LFW数据集 175 10.4.2　数据预处理 175 10.4.3　进行检测 176 10.5　性别和年龄识别 178 10.5.1　数据预处理 179 10.5.2　构建模型 181 10.5.3　训练模型 182 10.5.4　验证模型 184 10.6　小结 185 第11章　自然语言处理 186 11.1　模型的选择 186 11.2　英文数字语音识别 187 11.2.1　定义输入数据并预处理数据 188 11.2.2　定义网络模型 188 11.2.3　训练模型 188 11.2.4　预测模型 189 11.3　智能聊天机器人 189 11.3.1　原理 190 11.3.2　最佳实践 191 11.4　小结 200 第12章　图像与语音的结合 201 12.1　看图说话模型 201 12.1.1　原理 202 12.1.2　最佳实践 203 12.2　小结 205 第13章　生成式对抗网络 206 13.1　生成式对抗网络的原理 206 13.2　生成式对抗网络的应用 207 13.3　生成式对抗网络的实现 208 13.4　生成式对抗网络的改进 214 13.5　小结 214 第三篇　提高篇 第14章　分布式TensorFlow 216 14.1　分布式原理 216 14.1.1　单机多卡和分布式 216 14.1.2　分布式部署方式 217 14.2　分布式架构 218 14.2.1　客户端、主节点和工作节点的关系 218 14.2.2　客户端、主节点和工作节点的交互过程 220 14.3　分布式模式 221 14.3.1　数据并行 221 14.3.2　同步更新和异步更新 222 14.3.3　模型并行 224 14.4　分布式API 225 14.5　分布式训练代码框架 226 14.6　分布式最佳实践 227 14.7　小结 235 第15章　TensorFlow线性代数编译框架XLA 236 15.1　XLA的优势 236 15.2　XLA的工作原理 237 15.3　JIT编译方式 238 15.3.1　打开JIT编译 238 15.3.2　将操作符放在XLA设备上 238 15.4　JIT编译在MNIST上的实现 239 15.5　小结 240 第16章　TensorFlow Debugger 241 16.1　Debugger的使用示例 241 16.2　远程调试方法 245 16.3　小结 245 第17章　TensorFlow和Kubernetes结合 246 17.1　为什么需要Kubernetes 246 17.2　分布式TensorFlow在Kubernetes中的运行 247 17.2.1　部署及运行 247 17.2.2　其他应用 253 17.3　小结 254 第18章　TensorFlowOnSpark 255 18.1　TensorFlowOnSpark的架构 255 18.2　TensorFlowOnSpark在MNIST上的实践 257 18.3　小结 261 第19章　TensorFlow移动端应用 262 19.1　移动端应用原理 262 19.1.1　量化 263 19.1.2　优化矩阵乘法运算 266 19.2　iOS系统实践 266 19.2.1　环境准备 266 19.2.2　编译演示程序并运行 267 19.2.3　自定义模型的编译及运行 269 19.3　Android系统实践 273 19.3.1　环境准备 274 19.3.2　编译演示程序并运行 275 19.3.3　自定义模型的编译及运行 277 19.4　树莓派实践 278 19.5　小结 278 第20章　TensorFlow的其他特性 279 20.1　TensorFlow Serving 279 20.2　TensorFlow Flod 280 20.3　TensorFlow计算加速 281 20.3.1　CPU加速 281 20.3.2　TPU加速和FPGA加速 282 20.4　小结 283 第21章　机器学习的评测体系 284 21.1　人脸识别的性能指标 284 21.2　聊天机器人的性能指标 284 21.3　机器翻译的评价方法 286 21.3.1　BLEU 286 21.3.2　METEOR 287 21.4　常用的通用评价指标 287 21.4.1　ROC和AUC 288 21.4.2　AP和mAP 288 21.5　小结 288 附录A　公开数据集 289 附录B　项目管理经验小谈 292

编辑推荐 《计算机视觉:算法与应用(套装共2册)》作为本科生和研究生“计算机视觉”课程的理想教材，适合计算机和电子工程专业学生使用，重点介绍现实中行之有效的基本技术，通过大量应用和练习来鼓励学生大胆创新。此外，《计算机视觉:算法与应用(套装共2册)》的精心设计和编排，使其可以作为计算机视觉领域中一本独特的基础技术参考和最新研究成果文献。 作者简介 作者：（美国）塞利斯基 （Szeliski R.） 译者：艾海舟 兴军亮 塞利斯基（Szeliski R.），计算机视觉领域的大师级人物，Szeliski博士在计算机视觉研究方面有25年以上的丰富经验，先后任职于DEC和微软研究院1996年，他在微软研究院任职期间，提出一种基于运动的全景图像拼接模型，采用L—M算法，通过求图像间的几何变换关系来进行图像匹配，此方法是图像拼接领域的经典算法，Richard ；Szel ；iski也因此成为图像拼接领域的奠基人。 艾海舟博士，清华大学计算机系教授，IEEE高级会员和IEEE ；CS会员。先后于1985年、1988年和1991年获得清华大学工学学士、硕士和博士学位，博士论文荣获“1992年度清华大学优秀博士论文”奖1994—1996年，在比利时布鲁塞尔自由大学做博士后研究。目前，在清华大学教授“数字图像处理”和“计算机视觉”课程，研究方向为计算机视觉与模式识别。发表学术论文80余篇。

[计算机科学经典著作].Data.Structures.and.Algorithm.Analysis.in.C.chm

[计算机科学经典著作].Addison-Wesley.-.C...Standard.Library,.The.A.Tutorial.and.Reference.chm

[计算机科学经典著作].Addison.Wesley.Modern.C...Design-.Generic.Programming.and.Design.Patterns.Applied.pdf

[计算机科学经典著作].Addison.Wesley.Efficient.C...Performance.Programming.Techniques.pdf

[计算机科学经典著作].Addison.Wesley.Effective.Stl.50.Specific.Ways.To.Improve.Your.Use.Of.Stl.pdf<br> 想学C++的连这本书都不知道就别说了！

Addison.Wesley出版的经典编程书籍，全英版

　本书1984年出版，成型于美国麻省理工学院(MIT)多年使用的一本教材，1996年修订为第2版。在过去的二十多年里，本书对于计算机科学的教育计划产生了深刻的影响。<br>　　第2版中大部分重要程序设计系统都重新修改并做过测试，包括各种解释器和编译器。作者根据其后十余年的教学实践，还对其他许多细节做了相应的修改。<br>　　本书自出版以来，世界各地已有100多所院校采用本书做教材，其中包括美国斯坦福大学、美国普林斯顿大学、英国牛津大学、日本东京大学等。<br>　　相关网站有本书源代码及其他教辅资料，网址为：www-mitpress．mit.edu/sicp/<br><br>作者简介：<br>　　Harold Abelson是MIT1992年度MacVicarFacultyFellow。Gerald JaySussman是Matsushita电子工程教授。他们都在MIT电子工程和计算机科学系工作．都得到过最重要的计算机科学教育奖：如 Abelson得到了IEEE计算机学会的Booth奖。Sussman得到了ACM的Karlstrom奖。<br>　　Julie Sussman是作家和编辑，同时使用自然语言和计算机语言写作。<br>　　每一位严肃的计算机科学家都应该阅读这本书。由于本书清晰、简洁和富于才智，我们强烈推荐本书，它适合所有希望深刻理解计算机科学的人们。<br>　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　——Mitchell Wand<br>　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 　　　《美国科学家》杂志 <br><br>书本目录：<br>Contents vii<br>Foreword xi<br>Preface to the Second Edition xv<br>Preface to the First Edition xvii<br>Acknowledgments xxi<br>1 Building Abstractions with Procedures 1<br>1.1 The Elements of Programming 4<br>1.2 Procedures and the Processes They Generate 31<br>1.3 Formulating Abstractions with Higher-Order Procedures 56<br>2 Building Abstractions with Data 79<br>2.1 Introduction to Data Abstraction 83<br>2.2 Hierarchical Data and the Closure Property 97<br>2.3 Symbolic Data 142<br>2.4 Multiple Representations for Abstract Data 169<br>2.5 Systems with Generic Operations 187<br>3 Modularity, Objects and State 217<br>3.1 Assignment and Local State 218<br>3.2 The Environmental Model of Evaluation 236<br>3.3 Modeling with Mutable Data 251<br>3.4 Concurrency: Time Is of the Essence 297<br>3.5 Streams 316<br>4 Metalinguistic Abstraction 359<br>4.1 The Metaciricular Evaluator 362<br>4.2 Variations on a Scheme--Lazy Evaluation 398<br>4.3 Variations on a Scheme--Nondeterministic Computing 412<br>4.4 Logic Programming 438<br>5 Computing with Register Machines 491<br>5.1 Designing Register Machines 492<br>5.2 A Register-Machine Simulator 513<br>5.3 Storage Allocation and Garbage Collection 533<br>5.4 The Explicit Control Evaluator 547<br>5.5 Compilation 566<br>References 611<br>List of Exercises 619<br>Index 621<br>